 全文
医生临床体会对药物选择的影响多因素分析
根据 “中国焦虑障碍 / 状态治疗现状调查”问卷回答情况制定，在获得一般性描述统计数据后的更深层次的数据挖掘与分析。
设定问卷中“ 最近3个月的药物选择”为目标变量，将“诊断标准是否明确、焦虑症亚型诊断标准是否明确、是否诊断亚型“等12项作为影响变量。 通过采用多因素分析，得到影响医生药物选择的5种主导因素关联组合：选用不同药物的医生，在五种主导影响变量的选择上存在明显的差异性。 |
挖掘工具 ： 统计软件 ----STATA；数据挖掘工具 ----I-Miner ，SVM-Light
采集对象：
- 目标变量： 最近 3 个月的药物选择
- 影响变量：
- 诊断标准是否明确
- 焦虑症亚型诊断标准是否明确
- 是否诊断亚型
- 是否会诊断抑郁症和焦虑障碍共病
- 诊断焦虑症一般需要病程
- 治疗焦虑症最常采用的治疗方法
- 焦虑症的治疗主张
- 焦虑症如果不治疗，会引发的不良情况
- 抗焦虑药长期使用的担心
- 焦虑症的预防主张
- 焦虑急性发作阶段治疗时间
- 选择抗抑郁药治疗焦虑障碍时，是否参照国家标准
挖掘过程与结论 ：
1 ，相对独立性检验 ----- 滤除多重贡献率（kandell & Spearman 检验）
这部分工作的目的是让自变量间相对独立，便于关联分析，经过这步发现： 12 种关联分析两两相互独立
2 ，将 12 个自变量作为研究对象，分别计算单独贡献率（直接回归）
从结果中可以看出：
6 、9自变量对医生最近三个月的药物选择的影响较大（治疗办法的选择、副作用的担忧），但是，这种影响是相对独立的。
3 ，综合考虑 12 个自变量的累计贡献效率，计算联合贡献率（累计回归、聚类、分类）
在这部分中，综合考虑相对独立的自变量累计对因变量造成的影响。在分析过程中，我们综合使用前向、后向回归，并不断改变因变量顺序，得到了较优的结果。在处理过程中，p 值严格控制在不超过 0.1 的范围。整理后得到下表：
即： 9 ，6 ，3 ，10 ，5 五个自变量累计相关以后对因变量的影响是很大的。其中因素 5 与因变量负相关。（9 ，副作用的担心； 6 ，治疗方法的选择； 3 ，诊断病程； 10 ，焦虑预防的主张； 5 ，病程）
4 ，综合考虑 12 个自变量的网络贡献效率，计算网络贡献率（贝叶斯网络、决策树模型、 Information Gain ）
经 I-Miner 分析以后得到以下结论：
 从以上可以看出 9 ，6 ，3 ，10 ，5 五个自变量构成的网络贡献率对因变量的影响很大。
5 ，对以上得到的 5 个自变量采用 SVM-light 做多维聚类回归，可以得到：
- 选择 9B（抗焦虑药长期使用担心副作用），6A（治疗焦虑症主张药物治疗）, 3A（能对焦虑亚型明确诊断）, 10A（预防焦虑主张自我调节）, 5D（需要诊断病程 6 月）的医生选用 SSRI 的概率为 47.3% ，BZDs 的概率为 21.4%
- 选择 9A（抗焦虑药长期使用担心成瘾），6B（治疗焦虑症主张心理治疗），3A（能对焦虑亚型明确诊断），10A（预防焦虑主张自我调节），5E（需要诊断病程 12 月）的医生选用 SNRI 的可能性最大为 39% ，其次是 BZDs 为 26%
- ……
6 ，从医生选择药物角度出发，观察医生分布规律：
选用 SSRI 的 261 位医生 9 ，6 ，3 ，10 ，5 选项的分布如下：
从以上表格中可以发现：选用不同药物的医生，在五种主导自变量选择上存在明显的差异性 。 |
